ضريبة التفاعل: كيف تؤثر الاتصالات على تنوع الفرق متعددة الوكلاء؟

تُعتبر فرق العمل المتعددة الوكلاء واحدة من أكثر الأنظمة تعقيدًا في الذكاء الاصطناعي، ولكن هل تساعد الاتصالات بين هذه الوكلاء أم تضر؟ في دراسة حديثة، تم تناول الظاهرة المعروفة بـ “ضريبة التفاعل”، حيث يشير الباحثون إلى أن التفاعل بين نماذج اللغة الضخمة (Large Language Models) ليس دائمًا ذا فوائد.

أظهرت بعض الدراسات، مثل ما قدمه (Du et al., 2024) و(Chen et al., 2025)، أن النقاشات والانتقادات المستمرة بين الوكلاء يمكن أن تؤدي إلى تحسين النتائج. لكن مقابل ذلك، وجد (Tran & Kiela, 2026) و(Xu et al., 2026) أن التفاعل أضاف تكاليف دون تصحيح الجودة تحت ميزانيات متساوية، وأن التحصيل المستقل للعينات يمكن أن يحقق مكاسب الوكلاء المتعددين من دون تفاعل.

يُبرز الباحثون أنه ليس كل تواصل بين الوكلاء على قدم المساواة، إذ يقدم كل نموذج حلولًا مختلفة بشكل هيكلي. وعندما يقرأ الوكلاء مخرجات بعضهم البعض، ينتهي بهم الأمر للاتفاق على الحلول في جولة واحدة، مما يمحو التنوع الذي يشجع على استخدام نماذج متعددة.

من خلال اختبار 11 مهمة تحسين ذات تقييم موثوق تحت ميزانيات متساوية، تبين أن التفاعل بين الحلول الكاملة يُعد خيارًا ضعيفًا. بينما تُجنب توليد الاقتراحات المستقلة هذه الانهيار، حيث يُبقي التفاعل الوكلاء قريبين من الحل الأول الذي يرونه، مما يحولهم عن تجربة أساليب مختلفة.

تشير هذه النتائج إلى أن أداء فرق متعددة الوكلاء يعتمد بشكل أقل على عدد الوكلاء، بل على المعلومات التي يتبادلونها، وأن التفاعل يكون مفيدًا فقط عندما يشارك الوكلاء المعلومات الصحيحة في الوقت المناسب.